Mistral AI 正式推出新一代旗艦模型 Mistral Large 4 預覽版，採用總參數量達一兆、啟用參數 490 億的原生多模態混合專家架構。模型在歐洲自有資料中心以三千八百張輝達 Grace Blackwell 處理器訓練，主打資訊安全防禦、程式工程、長流程代理與企業自主部署能力，預計十月底釋出模型權重。
法國人工智慧團隊 Mistral AI 於 2026 年 10 月 6 日在 官方發布說明 中宣布，正式推出新一代旗艦模型 Mistral Large 4（簡稱 ML4，內部代號為 le Chonk）的公開預覽版。這款模型是 Mistral 迄今規模最大的原生多模態系統，結合指令遵循、邏輯推理與自主代理流程，並計畫在十月底全面釋出權重檔案。
目前開發者可透過 Mistral Studio 呼叫預覽 API，官方公布的計費標準為每百萬輸入 Token 1.36 美元、每百萬輸出 Token 4.18 美元。這項發布也是 Mistral 在獲得 30 億歐元 D 輪融資後，擴大歐洲在地算力與基礎建設的第一個具體成果。
兆級規模混合專家架構與歐洲主權運算
Mistral Large 4 採用稀疏混合專家（Mixture of Experts, MoE）技術，總參數規模達到一兆（1 Trillion），每次推論實際啟用的參數量約為 490 億（49 Billion）。這種設計能在保有高容量知識庫的同時，維持推論時的運算效率與反應速度。
訓練資料涵蓋超過 160 種語言，完整支援歐洲聯盟的所有官方語言。有別於依賴跨國公有雲巨頭的常態，該模型的基礎預訓練完全建立在歐洲本土。
在地資料中心與獨立運作機制
Mistral 說明，該模型是在其位於歐洲境內的自有資料中心內完成預訓練，運算叢集採用 3,800 張 NVIDIA Grace Blackwell GPU，目前的公開預覽 API 亦由相同硬體架構提供服務。
這項部署策略符合歐洲市場對資料主權（AI Sovereignty）的法規要求。企業客戶能在歐盟法規管轄下獨立運行推論服務，避免資料傳輸跨越境外，並支援私有雲與地端（On-Premise）環境部署。對於金融、政府部門、國防與公用事業等高監管產業，開源權重加上自主代管架構，提供了可受稽核且不易遭外部服務中斷的運作基礎。
關鍵技術領域與基準測試表現
官方公布的測試數據顯示，Mistral Large 4 在網路安全、軟體工程與多模態視覺理解等任務表現亮眼。
網路安全與漏洞防禦評測
在資訊安全評測項目 Artificial Analysis Cyber Index 中，該模型位列全球受測模型前五名。在要求模型重現開源軟體漏洞並產出修復補丁的特定項目中，Mistral Large 4 取得 82% 的修復成功率。此外，在取材自資安競賽題目的 Cybench 測試集內，模型完成了 93% 的挑戰項目。
這項測試同時反映出開源架構在資安實務上的特點。部分大型閉源模型（例如 Claude Opus 5.5 與 GPT-6 Astra）因為內建防護過濾機制，在面臨重現惡意漏洞的測試指示時常選擇拒絕執行，導致該項測試得分接近零。然而在軟體防禦實務中，工程人員必須先驗證漏洞真實存在才能撰寫防禦規則。官方表示，ML4 具備逆向工程分析、惡意程式剖析與弱點優先級排序等實作能力，而在 JailbreakBench、StrongREJECT 與 AgentHarm 等惡意提問防禦測試中，模型對非正當攻擊要求的拒絕率仍維持在受測開源模型的前列。
在系統防禦測試方面，Lakera 發布的 B3 AI 安全基準測試中，Mistral Large 4 對間接提示注入（Indirect Prompt Injections）攻擊的抵禦率為 93.3%。
軟體工程與代理工作流程
針對軟體開發工作，該模型在 DeepSWE v1.1 評測得分 61.7%，在 SWE-Atlas-QnA 取得 59.4%，在終端機操作評測 Terminal-Bench 4 則取得 28.3%。綜合程式代理指標（Coding Agent Index）為 49.8%，超越了 DeepSeek V4 Pro（0813 版本）與 Qwen3.8 Max。
在第三方評測機構 Surge AI 執行的盲測評估中，專業標註員在隱藏模型名稱的情況下給予 1 至 5 分的評分，Mistral Large 4 獲得 3.74 分，在五款受測模型中排名第二，僅次於 Claude Opus 5（4.22 分），高於 GLM-5.3（3.60 分）與 Kimi K3（3.59 分）。
在跨應用軟體作業流程的 AutomationBench 測試中（包含 Gmail、Google Sheets、Slack 與 Salesforce 等 657 項商務流程），模型取得 59.9% 的任務完成率。針對產出試算表、簡報與 PDF 等長期知識工作成果的評測指標 AA-Briefcase，模型獲得 1,393 Elo 評分。
多模態視覺定位與科學計算
視覺能力方面，Mistral Large 4 強化了高解析度圖像的細節辨識。官方測試指出，模型在視覺定位基準 Dense 200 取得 42% 的準確率，高於 GPT-6 Astra 的 41%。在實際展示案例中，模型能放大檢驗十億像素（Gigapixel）級別的衛星空照影像以輔助災害應變，並可判讀機械工程圖中的微小零件尺寸。
在科學計算與 STEM 領域，該模型在 SciCode-Verified 評測中表現穩定，能夠依據提示單次生成完整的量子化學 Hartree–Fock 模擬運算程式碼。在專門測試金融會計試算表建立與修改的 FinWorkBench，以及 HarveyAI 法律代理基準測試中，表現亦居於開源模型領先群。
大規模強化學習訓練架構
模型能力的大幅提升主要來自後訓練（Post-Training）階段的強化學習（Reinforcement Learning, RL）技術。Mistral 團隊建立了可動態擴展的訓練環境，將單回合金對話、科學推導、安全對齊與長流程工具使用整合成單一訓練流程。
在目前 3,000 張 GPU 規模的運算叢集支援下，該訓練流程每天產生約 330 億個 Token 的探索資料，經由遮罩過濾後，每日約提供 160 億個可訓練的完成 Token（Completion Tokens）。這套架構支援百萬 Token 等級的長軌跡 Rollout，並藉由非同步訓練與演算法調整降低離線策略漂移（Off-policy Drift），使模型在面對複雜步驟任務時能夠持續自我改進。
常見問題
Mistral Large 4 的模型權重何時開放下載？
根據官方公告，Mistral Large 4 的完整權重檔案預計在 2026 年 10 月底正式開放下載。在權重正式釋出之前，官方正與資安專業機構、驗證合作夥伴及政府相關單位進行紅隊測試，確認模型的安全防護邊界。
開發者現在可以如何使用這款模型？
目前使用者可以前往 Mistral Studio 申請公開預覽 API。API 費用為每百萬輸入 Token 1.36 美元，每百萬輸出 Token 4.18 美元。企業亦可透過 Mistral Forge 平台使用與該模型相同的客製化與強化學習環境。
這款模型與一般閉源商用模型有何主要差異？
主要差異在於權重開放性與主權部署彈性。閉源模型往往將資料運算綁定在特定公有雲，且安全過濾機制可能限制企業合法的內部資安演練或程式碼弱點測試。Mistral Large 4 提供權重檔案與歐洲在地基礎設施選項，企業能夠將模型部署在自有雲端或地端伺服器，依據內部政策獨立管理系統。
結語
Mistral Large 4 透過兆級參數的 MoE 架構、自主研發的大規模強化學習管線，以及在歐洲境內獨立運作的運算基礎，展現了開放權重模型在企業級複雜任務上的實用價值。隨著官方預計在 2026 年 10 月底全面釋出權重檔案，企業與研究社群將能進一步取得更具自主掌控度的高效能多模態運算資源。
